使用带有选项字段的案例类将数据帧转换为数据集

Question

我有以下案例类：

case class Person(name: String, lastname: Option[String] = None, age: BigInt) {}

和以下json：

{ "name": "bemjamin", "age" : 1 }

当我尝试将数据框转换为数据集时：

spark.read.json("example.json")
  .as[Person].show()

它显示了以下错误：

线程“主要” org.apache.spark.sql.AnalysisException中的异常：给定输入列，无法解析“ lastname ”：[age，name];

我的问题是：如果我的模式是我的案例类，并且它定义了姓氏是可选的，那么as（）是否应该进行转换？

我可以使用.map轻松修复此问题，但我想知道是否还有其他更清洁的替代方法。

Answer 1

我们还有一个解决上述问题的选项。需要2个步骤

1. 确保将可能缺失的字段声明为可为空的Scala类型（例如Option [_]）。

2. 提供一个模式参数而不依赖于模式推断。例如，可以使用use Spark SQL Encoder ：

    import org.apache.spark.sql.Encoders val schema = Encoders.product[Person].schema 

您可以如下更新代码。

val schema = Encoders.product[Person].schema

val df = spark.read
           .schema(schema)
           .json("/Users/../Desktop/example.json")
           .as[Person]

+--------+--------+---+
|    name|lastname|age|
+--------+--------+---+
|bemjamin|    null|  1|
+--------+--------+---+

Answer 2

当您执行spark.read.json("example.json").as[Person].show() ，基本上是将数据帧读取为，

FileScan json [age#6L,name#7]

然后尝试应用Encoders for Person对象，从而获得AnalysisException，因为它无法从json文件中找到lastname 。

您可以通过提供一些具有姓氏的数据来暗示可能是姓氏是可选的，或者尝试以下操作：

val schema: StructType = ScalaReflection.schemaFor[Person].dataType.asInstanceOf[StructType]
val x = spark.read
      .schema(schema)
      .json("src/main/resources/json/x.json")
      .as[Person]
+--------+--------+---+
|    name|lastname|age|
+--------+--------+---+
|bemjamin|    null|  1|
+--------+--------+---+

希望能帮助到你。